新能源储能波动下的光伏发电预测算法改进

陆沈雄，范亚伟，屠永辉，戚成健，温世超

（浙江华云信息科技有限公司，浙江杭州 310008）

目前新能源的发展已成为当今世界的热点，光伏发电是全球新能源之一，其年增长率超过35%，成为世界上发展最迅速的新能源。而光伏发电与太阳辐射等气象因素有着紧密联系，新能源储能具有随机性、波动性和不确定性。大规模新能源储能的波动性将直接关系到电网的安全稳定运行。因此，在电力系统中，如何有效地协调多方能源，保证电网稳定运行是必要的。

文献[1]提出了结合遥感数据的预测方法，利用高分辨率卫星数据和深度学习技术，获得地面光伏发电，并与真实气象数据相结合，对光伏发电进行预测。文献[2]提出了基于GA-GNNM 的预测方法，该方法通过采集气候因素数据，对缺失的光伏发电数据进行归一化处理。通过最大相关冗余算法选择最佳气象数据组合，构建多维数据集。将数据集输入到K 均值聚类算法过程中，通过构建灰色神经网络融合模型，实现光伏发电预测。采用上述两种方法既要了解光伏发电的气象数据，又要对各个数据的相关性进行分析，但由于新能源储能波动具有普遍化特性，使得预测精度降低。为此，提出了新能源储能波动下的光伏发电预测改进算法。

1 新能源储能波动平抑

光伏发电以清洁、环保等优点，被广泛地应用于新能源领域。目前，光伏技术是当今世界可再生能源研究的热点[3]。然而，新能源储能具有随机性、波动性和间歇性，尤其是大规模的光伏发电将对电网的安全、稳定运行产生巨大的影响[4]。采用合适的储能技术，可以减少这些负面效应，促进光伏数据集约化利用。

在光伏系统处于充电状态时，选取全过程中新能源储能的波动最小下限为光伏系统光电输出，剩余电能用于光伏系统充电，且直到完全充满为止[5-7]。光伏系统的储能容量可表示为：

式中，Ps、Pm分别表示光伏系统实际输出功率和充电过程光伏系统输出；η表示系统充电效率；Q0为系统的初始能量；t1、t2分别为充电的起始时刻和终止时刻。

在光伏系统处于放电状态时，选取全过程中新能源储能的波动最高上限为光伏系统光电输出，缺失电能由光伏系统来补充，直至光伏系统放电到达放电下限为止[8-10]。光伏系统在某放电深度的最低能量可表示为：

式中，t3表示放电结束时间。通过对光伏系统储能容量有合理的选择，起到对新能源储能波动平抑的作用。

2 光伏发电预测算法改进

2.1 光伏发电预测模型构建

为了进一步提高预测结果的概括性，增加预测稳定性，防止输出结果陷入局部最优状态，优化光伏系统结构和参数[11-12]。基于此，构建了光伏发电预测模型，如图1 所示。

图1 光伏发电预测模型

光伏发电预测模型如下所示：

式中，I1、I0、Ig分别表示光生电流、饱和电流和并联电流；Rg代表并联电阻；U代表输出电压；μ代表二极管质量系数；σ代表玻尔兹曼常量；C表示光伏阵列的温度；q表示电子电荷[13]。通过光伏发电系统改进结构参数，优化连接权值和阈值。

2.2 改进分数阶算法的光伏发电预测

通过构建光伏发电预测模型，结合升压转换器选择开关信号，获取最大功率跟踪结果。通过分析时序相关性，使用改进分数阶算法实现对光伏发电的精准预测。

2.2.1 模型预测控制

模型预测控制是利用离散时间模型对控制变量的未来变化进行预测的一种闭环最优控制方法[14]。选择适当的切换控制信号是基于所设置最优判据，为了方便开关控制信号的选取，采用升压转换器，其结构如图2 所示。

图2 升压转换器结构

采用升压转换器，开关状态定义为k1-k6，根据开关控制信号使光伏系统的变量尽可能接近参考变量[15]。如果光伏系统中存在n种信号，则在t+1 时刻所有预测结果可表示为：

式中，P(t)表示光伏发电预测量；f表示预测函数；ki表示第i个开关。

设定取样时段控制信号，并基于以上所述的预测结果来建立代价函数，可表示为：

式中，P*(t)表示跟踪参考信号。在n种信号控制下，以代价函数最小的控制信号为最佳，并将其作为时间的控制信号，使得控制量与基准值更接近，也就是获取光伏发电最大功率点追踪结果。

2.2.2 光伏发电预测量计算

对光伏发电的预测模型进行了分析，可以将λj看作是在一定时期内，各个时段的光伏发电量与未来光伏预测加权系数之间的关系，并将其与光伏系统的实时发电量之间的相关性进行了分析，可表示为：

式中，t表示发电时间。在分数阶体系中，采用当前和过去时间的状态信息对模型进行改进，可以较好地表达历史数据。在前15 个时序上，对光伏发电系统的实时发电功率与时间序列的关系进行了研究。在新能源储能波动平抑情况下，采用了一种改进分数阶法，将在当前时刻前选取的时序区间限定在一定的采样点数目之内，从而可以保证预测精确度和提高运算速度[16-19]。在此基础上，将分数阶理论引入到光伏发电预测中，为其提供了充分理论依据。但是，由于光伏发电的特点和综合因素的影响，使得光伏发电的特点更加复杂，其运算速度也比常规方法要大。在此基础上，提出了一种基于小数阶法的新方法，并对其进行了动态跟踪，为其预测提供了更为精确的信息。

根据上述分析可将模型中的预测结果，光伏发电输出功率预测量表示为：

式中，m表示样本数据量；τ、ϑ分别表示改进水平、倾斜分量；ψm、ζm分别表示改进水平、倾斜系数。从以上公式可以看出，在未来一段时期，通过改进水平分量和改进倾斜分量，可以得到两组参数权重的计算公式：

将上述计算结果引入模型中，随着光伏发电系统的不断扩大，相应的光伏发电预测量也会随之增加，并用如下公式表示：

通过上述公式可得到光伏发电精准预测结果。

3 实验

3.1 光伏电站模拟

光伏发电的随机性和不稳定性，使得其抗干扰能力差，运行风险增大。因此，光伏发电系统的能源管理问题是其核心问题。光伏发电的能源管理目标是对光伏发电的光伏板、基本负荷、蓄能系统进行合理的调度，以确保光伏发电的安全、稳定运行，达到最大的经济效益。光伏电站结构如图3 所示。

图3 光伏电站结构示意图

分布式电源主要由光伏电池和能量存储两部分组成，其中既有电能负载，也有家用电能。母线由DC/AC 变换器连接，而蓄电系统则由DC/AC 变换器连接至母线。光伏发电系统一般都是以并网的形式运行的，它是由一个公用的连接点PCC 与大电网相连的。当连接点PCC 被切断时，大型电力系统和光伏电站之间的连接被切断，使得光伏发电处于孤岛状态。

3.2 实验指标及模拟数据分析

将待预测的数据放入预测模型中进行训练，可以获取各个时刻预测结果，并将这些结果与实际结果进行比较，得到预测精度。采用两种误差对所研究方法进行评价，即均方误差和平均相对误差，评价公式为：

式中，a表示预测时间点数；rs、分别表示s个实际值和预测值。

设置晴天和阴天两种天气，在这两种天气下光伏发电实际输出功率如表1 所示。

表1 不同天气下光伏发电实际输出功率

由表1 可知，晴天的实际输出功率大于阴天的实际输出功率。

3.3 实验结果与分析

根据上述模拟数据，分别使用文献[1]方法、文献[2]方法和所提方法对比分析预测结果，如图4所示。

图4 不同方法预测结果对比分析

由图4（a）可知，三种方法的预测结果相差较大，其中使用所提方法与实际值一致，其余两种方法与该算法最大误差为40 kW。由图4（b）可知，使用所提方法与实际值在预测时间为18:00 时，与实际值存在0.2 kW 的误差，其余时间均一致。使用文献[1]方法、文献[2]方法与实际值存在最大误差为0.5 kW和0.8 kW。通过对比结果可知，使用所提方法预测结果更精准。

4 结束语

为精准预测光伏发电量，提出一种新能源储能波动下的光伏发电预测改进算法。利用能量存储技术对新能源储能波动进行抑制，降低对光伏发电预测的影响。建立了光伏发电预测模型，利用升压变换器，选择适当的切换控制信号，获得最大功率点跟踪的结果。通过对光伏发电系统的时序相关性分析，结合改进分数阶算法，预测光伏发电，并通过对该算法的实际应用进行了实验模拟。经实验验证了该方法是切实可行的，且结果显示该方法能较好地对光伏发电进行精准预测。